关于机器学习-深度学习的总结

最近在知乎上看到了一个机器学习的相关学习流程，觉得很有道理，所以，后面的blog我将开始具体的分享一些机器学习的学习笔记。目前已经更新的blog有：

• 数据篇：.

1. 关于中英文语料的获取途径总结

• 基础总结篇：

1. 机器学习中的相似性度量
2. 机器学习中的损失函数总结
3. pearson相关系数与spearman相关系数
4. 机器学习中error（误差），bias（偏差）与varience（方差）有什么区别与联系？

• 模型篇：

1. 感知器
2. 回归
3. 自然语言处理-统计语言模型（数学之美）
4. 隐含马尔科夫模型（数学之美）
5. 简单的神经元模型
6. bert模型代码介绍

• 工具篇：

1. 爬虫程序
2. tensorflow相关基础总结
3. pandas总结
4. conda命令总结
5. 如何将pyspark的rdd数据类型转化为DataFrame
6. tensorflow serving服务器安装过程总结

• 译文：

1. 分布式的句子和文件表示

• 深度学习（nlp）：

1. RNN与LSTM网络简述
2. LSTM变种-GRU网络结构
3. RNN-Encoder Decoder架构中引入的注意力机制
4. 怎样生成一个好的词向量
5. 语言模型简介
6. Encoder-Decoder 预训练
7. 基于LSTM的seq2seq模型介绍以及相应的改进
8. 高效的文本分类
9. LSTM模型的两种分解技巧
10.  tensorflow中关于BahdanauAttention以及LuongAttention实现细节
11. SRU介绍
12. Normalization Technique总结
13. grid lstm模型简介
14. 关于transformer模型总结（源码）
15. 关于RNN相关模型-tensorflow源码理解
16. 论文总结：Ask Me Anything: Dynamic Memory Networks for Natural Language Processing

如果本文对您有所帮助，欢迎您扫码下图所示的微信支付点赞码对本文进行打赏。